随着人工智能掀起的热潮以及其技术的迭代发展,推动着图像识别、语音识别、NLP等技术的发展,由此广泛并深刻地影响着工业、科研、医学以及各种和社会生活息息相关的诸多领域。作为当前人工智能的核心技术基础—计算机视觉技术,其提出的主要研究问题和方法大多围绕图形和图像的重构、分割和分类以及识别问题。目前,随着图像领域已经以深度学习为标配的趋势,而三维点云相关的技术研究和应用需求也在逐渐加强,点云分类和识别的问题逐渐成为当前计算机视觉领域亟待解决的重点研究方向。本文在对国内外计算机视觉领域研究技术的现状和发展的趋势进行分析,针对复杂场景中的物体识别问题提出一种基于B样条曲面的三维点云物体识别方法(BSR),具体研究工作如下:首先,基于B样条参数曲面的点云拟合和滤波优化来描述物体的几何形状,并在拟合后的曲面上进行参数重采样,得到分布规则的点云。其次,定义了一种以主曲率和主方向以及法向量组成的几何特征描述,提取特征并获得相应的匹配点对。然后,将点对进行等距计算和等距分类,比较同类等距下点对特征的等距差异,对近似相同等距变换的点对使用谱聚类算法,得到相似点对群构建的相似区域,据此检测对象之间的相似部分。最后,进行相似度度量,统计不同等距分类下的相似点云与采样点云比例,得到一个相似程度的度量值,从而完成物体的形状识别。通过点云的曲面拟合减少了繁琐的预处理步骤,并且定义的局部几何特征具有高效鲁棒性,整体提高了算法的识别效率。点对特征的等距分类等空间变换的计算提高了谱聚类算法的分类效果和识别精度。实验结果表明:本文方法经过Princeton、Mcgill、Tosca的公开数据集测试,物体形状的平均识别率分别可以达到96%、94%和93%,通过对原始点云数据的等距变换、噪声、降采样的处理后,模拟真实场景和视角变化所产生的影响,充分验证了方法的有效性和鲁棒性。通过三个数据集的测试和性能对比,说明本文的识别方法(BSR)不仅能够解决物体的点云分类和识别问题,在经过合适阈值的选取和调整后,对视角变化和类内物体形状差异的高精度的识别问题也具有良好的区分度。